Analisis Kebutuhan Sistem Pemodelan

25

3.2 Analisis Kebutuhan Sistem

Analisis Kebutuhan Sistem meliputi analisis kebutuhan fungsional sistem dan analisis kebutuhan non-fungsional sistem.

3.2.1 Kebutuhan fungsional sistem

Kebutuhan fungsional yang harus dimiliki oleh sistem prediksi harga minyak mentah dunia adalah: 1. Sistem dapat membaca masukan berupa data harga minyak mentah dunia selama tiga tahun terakhir. 2. Sistem dapat menghasilkan jaringan saraf tiruan dengan kinerja maksimal. 3. Sistem dapat melakukan memprediksi harga minyak mentah dalam jangka waktu beberapa bulan mendatang 4. Sistem dapat menampilkan hasil prediksi yang akurat dan menampilkan error yang kurang dari batas toleransi terhadap data sebenarnya.

3.2.2 Kebutuhan non-fungsional sistem

Untuk mendukung kinerja sistem, sistem sebaiknya dapat berfungsi sebagai berikut: 1. Waktu respon sistem cepat, sehingga dapat mengefektifkan waktu pengguna sistem. 2. Tampilan antarmuka sistem dapat dengan mudah dimengerti oleh pengguna sistem. 3. Data yang terdapat pada sistem berupa data yang relevan, sehingga menghasilkan pengenalan yang tepat. 4. Sistem yang dibuat dapat dikembangkan dengan mudah, sehingga sistem tidak cepat usang.

3.3 Pemodelan

Pada penelitian ini digunakan UML sebagai bahasa pemodelan untuk mendesain dan merancang sistem prediksi harga minyak mentah dunia. Model UML yang digunakan adalah use case diagram, activity diagram dan sequence diagram. Universitas Sumatera Utara 26

3.3.1 Use case diagram

Untuk mengetahui aktor dan use case yang akan digunakan, maka dilakukan identifikasi aktor dan identifikasi use case. Setelah mendapatkan aktor dan use case, maka use case diagram dapat digambarkan. Pengidentifikasian aktor dan use case pada sistem ini dilakukan dengan menjawab pertanyaan-pertanyaan berikut: 1. Siapa yang menggunakan sistem? Jawaban: Pengguna 2. Siapa yang diperlukan untuk melaksanakan fungsi pada sistem? Jawaban: Pengguna dan programmer 3. Apa saja yang dapat dilakukan pengguna pada sistem? Jawaban: Melakukan pelatihan JST, melakukan prediksi harga minyak mentah dunia dan melihat hasil prediksi. Use case diagram secara grafis yang menggambarkan interaksi antara sistem dan pengguna. Dengan kata lain, secara grafis mendeskripsikan siapa yang akan menggunakan sistem dan dalam cara apa pengguna mengharapkan interaksi dengan sistem itu. Use case diagram berdasarkan aktor dan use case ditampilkan pada Gambar 3.3. Universitas Sumatera Utara 27 Sistem Prediksi Harga Minyak Mentah Prediksi JST Pemrogram Pengguna «extends» Pelatihan JST Cek Data Harga Gambar 3.3 Use Case Diagram Sistem Prediksi Harga Minyak Mentah Dunia

3.3.1.1 Use case cek data harga

Tabel 3.3 merupakan tabel dokumentasi naratif dari use case cek data harga minyak mentah dunia. Tabel 3.3 Dokumentasi Naratif Use Case Cek Data Harga Nama Use case Cek Data Aktor Pengguna Deskripsi Use case ini mendeskripsikan proses men-cek harga minyak mentah dunia Prakondisi Sudah masuk dalam tampilan Cek Data Bidang khas Kegiatan pengguna Respon sistem 1. Klik popup menu untuk memilih bulan dan tahun yang akan dilihat datanya 1. Menampilkan data 20 harga minyak perhari dari bulan dan tahun yang dipilih juga menampilkan data dalam bentuk grafik Bidang Alternatif 1. Tekan tombol ke Pelatihan 2. Tekan tombol Menu Utama 1. Menuju antar muka pelatihan 2. Kembali ke antarmuka Menu Utama Universitas Sumatera Utara 28 Post-kondisi Sistem menampilkan harga minyak dalam bentuk angka dan grafik berdasarkan bulan dan tahun yang dipilih Activity diagram untuk use case cek data harga minyak diperlihatkan pada Gambar 3.4. Pilih Bulan dan Tahun Tampilan Harga Minyak dalam angka Tampilan Harga Minyak dalam grafik Gambar 3.4. Activity Diagram Data Cek Harga

3.3.1.2 Use case pelatihan JST

Tabel 3.4 menunjukkan dokumentasi naratif dari use case pelatihan JST. Tabel 3.4 Dokumentasi Naratif Use Case Latih JST Nama Use case Pelatihan JST Aktor Programmer Deskripsi Use case ini mendeskripsikan proses pelatihan JST Prakondisi Sudah masuk dalam tampilan antarmuka Pelatihan dan data harga minyak mentah sudah ada sebagai input-an Bidang khas Kegiatan pengguna Respon sistem 1. Isi nilai Learning rate 2. Isi nilai Momentum 3. Isi nilai Maksimum error 4. Isi nilai Maksimum jumlah epoch 5. Klik tombol Latih 6. Klik tombol 1. Input nilai learning rate ke dalam sistem 2. Input nilai momentum ke dalam sistem 3. Input nilai maksimum error ke dalam sistem 4. Input nilai learning rate ke dalam sistem 5. Melakukan pelatihan, menampilkan grafik dan menampilkan mse Universitas Sumatera Utara 29 Simpan 7. Klik tombol Tampil 6. Menyimpan bobot ke dalam excel 7. Menampilkan data pelatihan dalam figure lain Bidang Alternatif 1. Tekan tombol ke Prediksi 2. Tekan tombol Menu Utama 1. Menuju antar muka prediksi 2. Kembali ke antarmuka Menu Utama Post-kondisi Sistem menampilkan grafik hasil pelatihan Activity diagram untuk use case pelatihan harga minyak diperlihatkan pada Gambar 3.5. Universitas Sumatera Utara 30 Masukkan learning rate Masukkan momentum Masukkan Max. Epoch Masukkan Max. Error Klik tombol Latih Pelatihan kurang dari max error yg ditetapkan? Klik tombol tampil Pelatihan Menampilkan grafik Klik tombol simpan Pilih data pelatihan Ya tidak Gambar 3.5. Activity Diagram Pelatihan JST Universitas Sumatera Utara 31

3.3.1.3 Use case prediksi JST

Berikut ini merupakan tabel dokumentasi naratif dari use case prediksi JST. Tabel 3.5 Dokumentasi Naratif Use Case Prediksi JST Nama Use case Prediksi Harga Minyak Aktor Pengguna Deskripsi Use case ini mendeskripsikan proses memprediksi harga minyak mentah dunia Prakondisi Sudah masuk dalam tampilan antarmuka Prediksi Bidang khas Kegiatan pengguna Respon sistem 1. Pilih dari popup menu bulan dan tahun yang akan diprediksi 1. Menampilkan bulan dan tahun yang dipilih untuk diprediksi 2. Klik tombol prediksi 2. Menampilkan data hasil prediksi dalam bentuk grafik dan table serta jumlah error mse Bidang Alternatif 1. Tekan tombol ke Keluar 2. Tekan tombol Menu Utama 1. Menutup Aplikasi 2. Kembali ke antarmuka Menu Utama Post-kondisi Sistem menampilkan hasil prediksi yang akan dibandingkan dengan data aktual Activity diagram untuk use case prediksi harga minyak diperlihatkan pada Gambar 3.6. Universitas Sumatera Utara 32 Pilih Data Minyak Klik Prediksi Tampilkan Hasil Akhir Prediksi JST melakukan prediksi sesuai kah dengan data aktual? Ya Tampilkan hasil prediksi tidak Gambar 3.6. Activity Diagram Prediksi Harga Minyak

3.3.2 Analisis proses sistem

Berikut dijelaskan proses yang terjadi pada sistem dengan menggunakan sequence diagram. Sequence diagram adalah diagram yang memodelkan logika sebuah use case dengan cara menggambarkan interaksi pesan diantara objek-objek dalam rangkaian waktu.

3.3.2.1 Proses pelatihan jaringan saraf tiruan

Sistem dimulai dengan pengecekan data untuk mengetahui jangka waktu data-data yang akan dilatih. Data dimasukkan ke dalam sistem menggunakan sekumpulan daftar harga minyak, diambil dari data yang tersimpan dalam excel. Proses input data dilakukan dengan memilih data harga minyak yang akan dilatih menggunakan perintah xlsread. Universitas Sumatera Utara 33 Tahapan selanjutnya pengguna memasukkan parameter pelatihan seperti laju pembelajaran, nilai error maksimal dan besar momentum. Lalu dilakukan pelatihan terhadap jaringan saraf tiruan dengan parameter yang ditentukan oleh pengguna dan masukan berupa matriks normalisasi. Hasil pembelajaran berupa bobot dan bias yang akan disimpan dan digunakan pada proses prediksi. Sebelum dilakukan pelatihan dengan backpropagation, terlebih dahulu dilakukan normalisasi terhadap input pelatihan. Proses normalisasi dilakukan dengan bantuan mean dan standar deviasi. Fungsi prestd akan membawa data ke bentuk normal dengan mean = 0 dan standar deviasi = 1. Terakhir dilakukan pelatihan terhadap jaringan saraf tiruan dengan parameter yang ditentukan oleh pengguna dan masukan yang telah diubah bentuknya menjadi matriks normalisasi. Hasil pembelajaran berupa bobot dan bias setelah pelatihan yang akan disimpan dan digunakan pada proses prediksi. Proses tampil hasil menampilkan selisih dalam bentuk tabel dan simpan hasil untuk menyimpan data hasil pelatihan. Berikut ini sequence diagram untuk proses pelatihan diperlihatkan pada Gambar 3.7. Latih Tampil Hasil Simpan Hasil Proses latih Simpan bobot output,target input hasil pelatihan Input bobot awal Sistem Pelatihan Input parameter inputP,T, normaslisasi Input Parameter baca parameter RMSE selisih output-target Gambar 3.7 Sequence Diagram Proses Pelatihan JST Universitas Sumatera Utara 34 Berikut adalah pseudocode dari proses pelatihan jaringan saraf tiruan pada sistem prediksi harga minyak. Proses Pelatihan Jaringan Saraf Tiruan INPUT PARAMETER function parameter_CallbackhObject, eventdata, handles nameParameter=str2numgetnameProperties,’String’; handles.nameParameter=nameParameter; guidatahObject,handles; xlswrite‘Name_fileExcel’,’nameParameter’,’sheet’,’xlrange’; INPUT DATA function latih_CallbackhObject, eventdata, handles Input_dataHarga; nameParameter= handles.nameParameter; target=gethandles.popupmenu1,’Value’; switch target case number input -[P,T] [pn,meanp,stdp,tn,meant,stdt]=prestdP,T; -normalisasi preprocessing net=newffinput, Target,[S1 S2...SN-l],{TF1 TF2...TFN-l}, BTF [net,tr] ← train net,input, target; Bobot=net.IW{1,1} -start Bias=net.b{1} -start end PROSES LATIH net.trainParam.nameParameter=namePreperties; net.trainnet,pn,tn; input to xl - [bobot,bias] an=simnet,pn; a=poststdan.meant,stdt; -normalisasi postprocessing handles.a=a; [y,Pf,Af,e,Perf]=simnet,P,[],[],T;

3.3.2.2 Proses prediksi jaringan saraf tiruan

Pada proses prediksi digunakan masukan berupa data harga minyak pada rentang waktu tertentu. Sama seperti proses pelatihan, input kemudian dinormalisasi kedalam bentuk matriks antara [-1,1]. Normalisasi pada tahap prediksi ini juga menyertakan hasil dari tahap pelatihan seperti mean dan standar deviasi. Universitas Sumatera Utara 35 Kemudian dilakukan pengambilan data hasil dari pelatihan berupa bobot yang sudah dilatih. Bobot tersebut sebelumnya disimpan di excel. Kemudian ketika dilakukan proses prediksi dengan menggunakan xlsread, bobot dibaca oleh sistem. Setelah dilakukan prediksi yaitu disebut proses feedforward karena tidak dilakukan pelatihan mundur untuk mengubah bobot. Hasil prediksi berupa informasi mengenai prediksi harga minyak pada periode mendatang yang telah diketahui sehingga dapat diukur tingkat validasinya. Sequence diagram proses prediksi jaringan saraf tiruan dipaparkan pada Gambar 3.8. Kontrol Prediksi Input Harga Normalisasi Identifikasi bobot Feedforward Proses Normalisasi Proses input input bobot akhir Input hasil pelatihan Proses prediksi Hasil prediksi Input harga Gambar 3.8 Sequence Diagram Proses Prediksi JST Berikut adalah pseudocode dari proses prediksi jaringan saraf tiruan pada sistem prediksi harga minyak. Proses Prediksi JST INPUT DATA function prediksi_CallbackhObject, eventdata, handles Input_dataHarga; target=gethandles.popupmenu1,’Value’; switch target case number input -[Q,TQ] end IDENTIFIKASI BOBOT input_dataNormalisasi -[meanp,stdp,meant,stdt] Universitas Sumatera Utara 36 Qn=trastdQ,meanp,stdp; net=newffinput, Target,[S1 S2...SN-l],{TF1 TF2...TFN-l}, BTF [net,tr] ← train net,input, Target; net.IW{1,1}=xlsread‘Name_fileExcel’,’sheet’,’xlrange’; -start net.b{1}= xlsread‘Name_fileExcel’,’sheet’,’xlrange’; -start bn=simnet,Qn; b=poststdbn,meant,stdt; UJI JST BACKPROPAGATION [y,Pf,Af,e,Perf]=simnet,P,[],[],T;

3.4 Perancangan Antarmuka